一次通过率与返工结构——把"返工成本"从黑箱里拿出来
摘要：很多工厂只盯最终合格率，却看不清**第一次就做对（FPY）**的比例，以及返工在工序间如何"层层放大"。一次通过率与返工结构分析，是流程绩效度量（3.3.x）中最贴近现场的质量指标之一。本文阐述 FPY/RPY 的定义、返工瀑布图分析方法，以及从数据到改善的落地路径。
一、为什么"最终合格"掩盖了巨大浪费
某组装线日报显示：下线合格率 98%——看起来不错。但车间主任拆开数据发现：各工序一次通过率只有 72%～92%，中间大量不良靠返工、挑选、复检才达到 98% 下线。
返工意味着：重复人工、重复设备占用、WIP 堆积、交期风险，以及返工本身引入的新不良。最终合格率好看，过程效率和质量成本却可能很糟。
一次通过率（First Pass Yield, FPY） 衡量的是：该工序首次通过、无需返工/挑选的产出比例。把 FPY 和返工结构摊开，才能找到"质量成本藏在哪里"。
二、核心概念
| 指标 | 定义 | 公式（简化） |
|---|---|---|
| FPY | 一次通过率 | 首次合格数 / 投入数 |
| RPY | 滚动通过率（多工序） | 各工序 FPY 相乘 |
| RTY | 直通率（Roll Throughput Yield） | 同 RPY，强调端到端 |
例：三道工序 FPY 分别为 95%、90%、92%，则 RPY = 0.95×0.90×0.92 ≈ 78.7%——即 100 件投入，约 79 件一次走完全线合格，其余都曾在某工序产生过处理问题。
这与最终 98% 合格率不矛盾：差的那部分，就是返工救回来的。
三、返工结构分析：瀑布图
步骤 1：按工艺顺序列出各工序 FPY
步骤 2：计算每工序的损失贡献 = 1 − FPY
步骤 3：绘制返工/损失瀑布图，识别：
- 瓶颈工序（FPY 最低）
- 返工放大点（后工序 FPY 低 partly 因前序遗留问题）
步骤 4：区分不良类型
| 类型 | 改善方向 |
|---|---|
| 偶发 | 围堵、标准作业 |
| 频发 | 根因、防错、设备 |
| 返工复发 | 返工作业本身需标准化 |
四、与流程绩效指标的关系
本主题属 3.3 流程绩效与度量，与已有文章形成互补：
| 知识编号 | 主题 |
|---|---|
| 3.3.1 | 流程 KPI、SLA、周期时间 |
| 3.3.2 | 一次通过率与返工结构（本文） |
| 3.3.3 | 流程成本与效率分析 |
FPY 是连接"质量"与"流程效率"的桥梁——低 FPY 直接拉高周期时间、在制品和人工成本。
五、改善闭环
- 基线 — 各工序 FPY 一周数据，确认测量一致
- 聚焦 — 选 FPY 最低且产量大的 1～2 道工序
- 分析 — 柏拉图不良原因、5Why、对比标准作业
- 对策 — 防错、参数固化、AM 点检（设备系列）
- 验证 — FPY 前后对比，RPY 是否提升
- 标准化 — 更新 CP/SOP，纳入 Layered Audit
六、常见误区
误区一：只改善最后一道工序。 后段 FPY 低有时是前序不良流入——需做工序间关联分析。
误区二：返工不计成本。 应估算返工工时×费率，纳入月度质量成本报告（4.3.1）。
误区三：FPY 数据靠估计。 必须有首次判定记录——MES 或检验记录需区分"一次合格"与"返工后合格"。
七、小结
一次通过率与返工结构，让质量从"结果指标"深入到过程结构——看清每一道工序第一次做对的概率，以及返工如何吞噬产能。
RPY 是端到端的诚实镜子：它告诉你，如果不返工，产线真实的一次做对能力是多少。
知识编号：3.3.2
版本：v20260523
作者：卓越质量智库